CN113436728A - 新生儿临床视频脑电图自动分析的方法及设备 - Google Patents
新生儿临床视频脑电图自动分析的方法及设备 Download PDFInfo
- Publication number
- CN113436728A CN113436728A CN202110768201.6A CN202110768201A CN113436728A CN 113436728 A CN113436728 A CN 113436728A CN 202110768201 A CN202110768201 A CN 202110768201A CN 113436728 A CN113436728 A CN 113436728A
- Authority
- CN
- China
- Prior art keywords
- prediction
- signal
- prediction result
- data set
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请涉及一种新生儿临床视频脑电图自动分析的方法及装置,新生儿临床视频脑电图自动分析的方法包括:获取原始脑电图信号;对原始脑电图信号进行预处理,得到处理信号;对处理信号进行特征提取,得到神经信号特征;将神经信号特征分别输入到预先训练的第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型中进行分析,对应得到第一预测结果、第二预测结果、第三预测结果和受孕龄预测结果;根据第一预测结果、第二预测结果和第三预测结果,确定预测结论,根据预测结论和受孕龄预测结果确定分析结果。如此,实现了对新生儿临床视频脑电图的自动、快速、一体化分析,有效提高了对新生儿脑电图的判读范围和准确率。
Description
技术领域
本申请涉及信息处理技术领域,具体涉及一种新生儿临床视频脑电图自动分析的方法及设备。
背景技术
在神经***相关疾病中,脑电监测是判断新生儿脑病病因的很重要的辅助诊断手段。脑电图(Electroencephalography,EEG)的监护仪易于设置和维护,可在床旁工作数小时或数天。通过脑电原始信号中波的振幅、频谱、对称性等初始信号特征,可以用于判断患者的醒睡周期、癫痫发作、局灶/多灶性放电信号、爆发抑制、背景活动、脑成熟度等临床信号特征。新生儿脑电图监测广泛应用于相关疾病诊断中,特别是在新生儿重症监护病房中,连续EEG监测被广泛应用于癫痫、脑病和中枢神经***感染等新生儿神经***疾病的诊断。新生儿脑电处于发育阶段,不同受孕龄患儿的背景活动及波形均有不同,判读新生儿脑电图的难度较大,因此通常需要判读者具有丰富的判读经验。
目前,新生儿病房通常面临的情况是:患儿病情严重,而熟练阅读新生儿脑电图的医生非常少,即使是熟练的脑电图医生判读一份脑电图也需要大量的时间。因此,急需有快速辨别新生儿脑功能的方法,以便于新生儿科临床医生可以根据辨别结果快速做出应对,及时处理危重病人,或及时请脑电图医生进行深入判读。
相关技术中,现有的振幅整合脑电图可以快速初步判读新生儿脑电图。然而,并非所有的新生儿中至重度的脑电图都可以适用于振幅整合脑电图的分类,并且,新生儿惊厥也并非都表现为下边界突然抬高,振幅整合脑电图的辨别仍存在着很多不足之处。
发明内容
有鉴于此,本申请的目的在于克服现有的振幅整合脑电图对新生儿脑电图判读不足的技术问题,提供一种新生儿临床视频脑电图自动分析的方法及设备。
为实现以上目的,本申请采用如下技术方案:
本申请的第一方面提供一种新生儿临床视频脑电图自动分析的方法,包括:
获取原始脑电图信号;
对所述原始脑电图信号进行预处理,得到处理信号;
对所述处理信号进行特征提取,得到神经信号特征;
将所述神经信号特征分别输入到预先训练的第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型中进行分析,对应得到第一预测结果、第二预测结果、第三预测结果和受孕龄预测结果;
根据所述第一预测结果、所述第二预测结果和所述第三预测结果,确定预测结论,根据所述预测结论和所述受孕龄预测结果确定分析结果。
可选的,所述对所述原始脑电图信号进行预处理,得到处理信号,包括:
检测所述原始脑电图信号中是否存在符合预设异常条件的信号,若存在,对符合所述预设异常条件的信号进行伪差去除处理,得到第一脑电图信号;
对所述第一脑电图信号进行滤波处理,得到第二脑电图信号;
对所述第二脑电图信号进行降采样处理,得到所述处理信号。
可选的,所述预设异常条件包括:
信号通道的相关系数低于第一阈值;
或者,信号通道的功率低于第二阈值;
或者,信号为零点或常数值的持续出现时间超过第三阈值;
或者,同一信号通道中信号突变次数超过第四阈值;所述信号突变包括:第一预设时间段内信号振幅超过第五阈值,或者,第二预设时间段内电压值差超过第六阈值;
或者,眼动干扰的相关性超过第七阈值。
可选的,所述第一预测模型、所述第二预测模型、所述第三预测模型和所述受孕龄预测模型的训练方法包括:
获取第一原始数据集、第二原始数据集和第三原始数据集和原始受孕龄数据集;
利用特征选择方法,分别对所述第一原始数据集、所述第二原始数据集、所述第三原始数据集和所述原始受孕龄数据集中的数据进行处理,对应得到第一训练数据集、第二训练数据集、第三训练数据集和受孕龄训练数据集;
基于所述第一训练数据集、所述第二训练数据集、所述第三训练数据集和所述受孕龄训练数据集,分别对GBM模型进行训练,并基于交叉验证策略对训练模型的参数进行优化,分别得到所述第一预测模型、所述第二预测模型、所述第三预测模型和所述受孕龄预测模型。
可选的,所述特征选择方法包括后向选择策略。
可选的,所述第一预测结果包括重度异常和其他;所述第二预测结果包括中度异常和其他;所述第三预测结果包括轻度异常和正常。
可选的,所述根据所述第一预测结果、所述第二预测结果和所述第三预测结果,确定预测结论,包括:
若所述第一预测结果为重度异常,则所述预测结论为重度异常;
若所述第一预测结果为其他,所述第二预测结果为中度异常,则所述预测结论为中度异常;
若所述第一预测结果为其他,所述第二预测结果为其他,所述第三预测结果为轻度异常,则所述预测结论为轻度异常;
若所述第一预测结果为其他,所述第二预测结果为其他,所述第三预测结果为正常,则所述预测结论为正常。
本申请的第二方面提供一种新生儿临床视频脑电图自动分析的设备,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序;
所述处理器用于调用并执行所述存储器中的所述计算机程序,以执行如本申请的第一方面所述的方法。
本申请提供的技术方案可以包括以下有益效果:
本申请的方案中,预先训练了针对新生儿脑电图识别的第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型,基于此,在获取到新生儿的原始脑电图信号后,可以先对原始脑电图信号进行预处理,以滤除无效信号。经过预处理后得到处理信号,并对处理信号进行特征提取,得到神经信号特征,将神经信号特征分别输入到第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型中进行分析,可以对应得到四种输出结果:第一预测结果、第二预测结果、第三预测结果和受孕龄预测结果。根据第一预测结果、第二预测结果和第三预测结果可以确定出预测结论,根据预测结论和受孕龄预测结果,就可以确定出分析结果。如此,通过提取新生儿脑电信号的特征值,利用预先训练好的模型就可以实现对新生儿临床视频脑电图的自动、快速、一体化分析,有效提高了对新生儿脑电图的判读范围和准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的一种新生儿临床视频脑电图自动分析的方法的流程图。
图2是本申请另一个实施例提供的一种新生儿临床视频脑电图自动分析的设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
新生儿脑病是一大类新生儿中枢神经***疾病的总称。其临床表现包括意识状态改变,惊厥,肌无力,喂养困难,原始反射异常等。新生儿脑病的发病率在2:1000至6:1000,其中重度患儿约占63%。新生儿脑病病因较复杂,包括缺血缺氧,感染,脑发育不良,遗传因素,代谢异常等。中重度患儿近期不良预后包括死亡、新生儿脑损伤、惊厥持续状态;远期会影响运动、感觉、认知、学习、行为、神经生理、神经发育等方面。对于新生儿脑病病因的精准判断有助于采取针对性的治疗方式,改善预后。
在神经***相关疾病中,脑电监测是判断新生儿脑病病因的很重要的辅助诊断手段。由于新生儿脑电处于发育阶段,不同受孕龄患儿的背景活动及波形均有不同,判读新生儿脑电图的难度较大,因此通常需要判读者具有丰富的判读经验。目前,新生儿病房通常面临的情况是:患儿病情严重,而熟练阅读新生儿脑电图的医生非常少,即使是熟练的脑电图医生判读一份脑电图也需要大量的时间。因此,急需有快速辨别新生儿脑功能的方法,以便于新生儿科临床医生可以根据辨别结果快速做出应对,及时处理危重病人,或及时请脑电图医生进行深入判读。
为了弥补现有的方法中对新生儿脑功能自动判读的不足,本实施例提供了一种新生儿临床视频脑电图自动分析的方法,如图1所示,该方法至少可以包括如下实施步骤:
步骤11、获取原始脑电图信号;
实施时,现有的新生儿的脑电图信号多是从Nicolet One机器上输出的,其文件格式为.e格式,为了便于处理,可以将其转化为较为通用的edf格式。具体实施时,可以基于github的Nicolet-Reader软件将.e格式的文件转化为edf标准脑电信号格式,以获取到原始脑电图信号。
步骤12、对原始脑电图信号进行预处理,得到处理信号。
步骤13、对处理信号进行特征提取,得到神经信号特征。
步骤14、将神经信号特征分别输入到预先训练的第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型中进行分析,对应得到第一预测结果、第二预测结果、第三预测结果和受孕龄预测结果。
在临床报告中,分析结果的预测结论可以标记为四个有序类别(正常、轻度异常、中度异常和严重异常)之一。为此,可以构建三个预测模型,分别预测是否为重度异常、是否为中度异常以及是否为轻度异常。最终,预测结论将根据该三个预测模型进行汇总得到。
步骤15、根据第一预测结果、第二预测结果和第三预测结果,确定预测结论,根据预测结论和受孕龄预测结果确定分析结果。
本实施例中,预先训练了针对新生儿脑电图识别的第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型,基于此,在获取到新生儿的原始脑电图信号后,可以先对原始脑电图信号进行预处理,以滤除无效信号。经过预处理后得到处理信号,并对处理信号进行特征提取,得到神经信号特征,将神经信号特征分别输入到第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型中进行分析,可以对应得到四种输出结果:第一预测结果、第二预测结果、第三预测结果和受孕龄预测结果。根据第一预测结果、第二预测结果和第三预测结果可以确定出预测结论,根据预测结论和受孕龄预测结果,就可以确定出分析结果。如此,通过提取新生儿脑电信号的特征值,利用预先训练好的模型就可以实现对新生儿临床视频脑电图的自动、快速、一体化分析,有效提高了对新生儿脑电图的判读范围和准确率。
步骤12中,为了确保无效信息的有效滤除,在对原始脑电图信号进行预处理时,可以采用伪差去除、滤波和降采样的方式对原始脑电图信号进行处理,具体实施方式可以包括:检测原始脑电图信号中是否存在符合预设异常条件的信号,若存在,对符合预设异常条件的信号进行伪差去除处理,得到第一脑电图信号;对第一脑电图信号进行滤波处理,得到第二脑电图信号;对第二脑电图信号进行降采样处理,得到处理信号。
相应的,如果原始脑电图信号中不存在符合预设异常条件的信号,则无需对原始脑电图信号进行伪差去除处理,只需要通过滤波和降采样的方式对原始脑电图信号进行处理,而后执行上述步骤13的操作即可。
实施时,在原始脑电图信号中出现符合预设异常条件的信号时,说明原始脑电图信号中存在异常信号,伪差去除可以有效去除原始脑电图信号中的异常信号。其中,预设异常条件至少可以包括:信号通道的相关系数低于第一阈值;或者,信号通道的功率低于第二阈值;或者,信号为零点或常数值的持续出现时间超过第三阈值;或者,同一信号通道中信号突变次数超过第四阈值;其中,信号突变可以包括:第一预设时间段内信号振幅超过第五阈值,或者,第二预设时间段内电压值差超过第六阈值;或者,眼动干扰的相关性超过第七阈值。
实际应用中,脑电图的信号通道显示的是两个输入端的电位差值,一般按照国际10-20***放置电极。放置额叶(F3,F4)、中央区(C3,C4)、颞叶(T3,T4)、顶叶(P3,P4)头皮电极和参考电极(Cz)。因此,信号通道为八个电极和参考电极之间的电位差值。
具体实施时,在对新生儿进行脑电图检测时,如果电极放置不当,就会导致一些通道与其他通道的相关系数很低。因此,如果原始脑电图信号中存在信号通道的相关系数低于第一阈值,则说明当前存在电极放置不当的问题,而相关系数低于第一阈值的信号通道则为无效信号通道,需要对这一信号通道进行去除。其中,第一阈值可以根据实际需求进行设置,此处不作限定。
同样的,如果原始脑电图信号中存在信号通道的功率低于第二阈值,则说明当前可能出现了电极耦合的情况,需要对这一信号通道的信号进行去除。如果原始脑电图信号中存在信号为零点或常数值的持续出现时间超过第三阈值,则也需要对这些信号进行去除。其中,连续零点和连续常数值可能是由测试电极阻抗等原因产生。
实施时,第二阈值、第三阈值、第四阈值、第五阈值、第六阈值和第七阈值都可以根据实际需要进行设置,此处不作限定。
对于上述眼动干扰的相关性的计算,其具体计算方式可以参考现有相关技术,此处不再赘述。
实际应用中,在进行滤波处理时,可以在50Hz、100Hz、150Hz、200Hz和250Hz下执行陷波滤波器,以减少交流电的影响。为了定位到有效频段,在进行降采样时,可以在0.3Hz~50Hz范围内采用有限冲激响应(FIR)滤波器。如此,信号就可以从500Hz降采样到100Hz。
在对原始脑电图信号进行预处理,得到处理信号后,就可以对处理信号进行特征提取,以得到被测者的神经信号特征。
一些实施例中,可以提取722个信号特征来反映振幅、距离EEG(rEEG)、频谱密度和连通性等相关方面。具体实施时,首先,可以将原始脑电图信号分解为0.5~4Hz、4~8Hz、8~13Hz和13~30Hz四个频段,信号通道数为8个。对于每个频带和每个信道,六个振幅特征(amplitude_total_power,amplitude_SD,amplitude_skew,amplitude_kurtosis,amplitude_env_mean,amplitude_env_sd)、八个rEEG特征(rEEG_mean,rEEG_median,rEEG_lower_margin,rEEG_upper_margin,rEEG_width,rEEG_SD,rEEG_CV,rEEG_asymmetry)、五个光谱特征(spectral_power,spectral_relative_power,spectral_flatness,spectral_entropy,spectral_diff),得到信号特征的第一个数为608((6+8+5)*4(频带)*8(信道))。其次,在8个信号通道中的每个信号通道中提取两个光谱相关特征(spectral_edge_frequency,FD):2*8=16。对于上述方面,所有通道的平均数字也被计算为新特征,这就导致有(6+8+5)*4+2=78个新特征。此外,在4个频段(5*4=20)中,分别提取了5个连通性相关特征(connectivity_BSI,connectivity_corr,connectivity_coh_mean,connectivity_coh_max,connectivitiy_coh_freqmax)。如此,共获得722(608+16+78+20)个神经信号特征。将722个神经信号特征分别输入到预先训练的第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型中进行分析,就可以获得最终的分析结果。
其中,第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型的训练方法可以包括:获取第一原始数据集、第二原始数据集和第三原始数据集和原始受孕龄数据集;利用特征选择方法,分别对第一原始数据集、第二原始数据集、第三原始数据集和原始受孕龄数据集中的数据进行处理,对应得到第一训练数据集、第二训练数据集、第三训练数据集和受孕龄训练数据集;基于第一训练数据集、第二训练数据集、第三训练数据集和受孕龄训练数据集,分别对GBM模型进行训练,并基于交叉验证策略对训练模型的参数进行优化,分别得到第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型。
实施时,特征选择方法可以包括后向选择策略。
在对受孕龄预测模型进行训练时,特征选择方法采用后向选择策略,模型校正采用十倍交叉验证策略,每次迭代中选择不同GBM模型参数进行迭代。模型的效果评估采用在交叉验证训练集中,预测得到的受孕龄和实际观测到的受孕龄之间的Pearson相关系数(PCC)。实际应用中,由于在59个信号特征的时候,PCC在模型构建的数据集中效果最好,因此受孕龄预测模型可以只采用该59个信号特征。
同样的,在对第一预测模型、第二预测模型和第三预测模型进行训练时,特征选择方法采用后向选择策略,模型训练采用十倍交叉验证策略,每次迭代中选择不同GBM模型参数进行迭代。模型的效果评估采用在交叉验证训练集中,预测得到的结论和实际观测到的结论之间的AUCROC。
实际应用中,第一预测模型、第二预测模型和第三预测模型可以分别用于预测是否为重度异常、是否为中度异常以及是否为轻度异常。信号特征选择迭代具体的效果如下:第一预测模型训练中,在24个信号特征的时候AUROC在模型构建的数据集中效果最好,因此,第一预测模型可以只采用该24个信号特征。在第二预测模型训练时,在8个信号特征的时候AUROC在模型构建的数据集中效果最好,因此,第一预测模型可以只采用该8个信号特征。在第三预测模型训练时,在7个信号特征的时候AUROC在模型构建的数据集中效果最好,因此,第三预测模型可以只采用该7个信号特征。
对应的,第一预测结果可以包括重度异常和其他;第二预测结果可以包括中度异常和其他;第三预测结果可以包括轻度异常和正常。
在根据第一预测结果、第二预测结果和第三预测结果,确定预测结论时,若第一预测结果为重度异常,则预测结论为重度异常;若第一预测结果为其他,第二预测结果为中度异常,则预测结论为中度异常;若第一预测结果为其他,第二预测结果为其他,第三预测结果为轻度异常,则预测结论为轻度异常;若第一预测结果为其他,第二预测结果为其他,第三预测结果为正常,则预测结论为正常。如此,可以快速评估出被测新生儿的脑功能情况,便于新生儿科临床医生及时作出应对。
在获取到预测结论和受孕龄预测结果后,就可以确定出本次的分析结果。分析结果可以显示出预测结论和受孕龄预测结果。
本申请的实施例还提供一种新生儿临床视频脑电图自动分析的设备,如图2所示,该设备具体可以包括:处理器201,以及与处理器201相连接的存储器202;存储器202用于存储计算机程序;处理器201用于调用并执行存储器202中的计算机程序,以执行如以上任意实施例所述的新生儿临床视频脑电图自动分析的方法。
本实施例提出的新生儿临床视频脑电图自动分析的设备的具体实施方案可以参考以上任意实施例所述的新生儿临床视频脑电图自动分析的方法的实施方案,此处不再赘述。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种新生儿临床视频脑电图自动分析的方法,其特征在于,包括:
获取原始脑电图信号;
对所述原始脑电图信号进行预处理,得到处理信号;
对所述处理信号进行特征提取,得到神经信号特征;
将所述神经信号特征分别输入到预先训练的第一预测模型、第二预测模型、第三预测模型和受孕龄预测模型中进行分析,对应得到第一预测结果、第二预测结果、第三预测结果和受孕龄预测结果;
根据所述第一预测结果、所述第二预测结果和所述第三预测结果,确定预测结论,根据所述预测结论和所述受孕龄预测结果确定分析结果。
2.根据权利要求1所述的新生儿临床视频脑电图自动分析的方法,其特征在于,所述对所述原始脑电图信号进行预处理,得到处理信号,包括:
检测所述原始脑电图信号中是否存在符合预设异常条件的信号,若存在,对符合所述预设异常条件的信号进行伪差去除处理,得到第一脑电图信号;
对所述第一脑电图信号进行滤波处理,得到第二脑电图信号;
对所述第二脑电图信号进行降采样处理,得到所述处理信号。
3.根据权利要求2所述的新生儿临床视频脑电图自动分析的方法,其特征在于,所述预设异常条件包括:
信号通道的相关系数低于第一阈值;
或者,信号通道的功率低于第二阈值;
或者,信号为零点或常数值的持续出现时间超过第三阈值;
或者,同一信号通道中信号突变次数超过第四阈值;所述信号突变包括:第一预设时间段内信号振幅超过第五阈值,或者,第二预设时间段内电压值差超过第六阈值;
或者,眼动干扰的相关性超过第七阈值。
4.根据权利要求1所述的新生儿临床视频脑电图自动分析的方法,其特征在于,所述第一预测模型、所述第二预测模型、所述第三预测模型和所述受孕龄预测模型的训练方法包括:
获取第一原始数据集、第二原始数据集和第三原始数据集和原始受孕龄数据集;
利用特征选择方法,分别对所述第一原始数据集、所述第二原始数据集、所述第三原始数据集和所述原始受孕龄数据集中的数据进行处理,对应得到第一训练数据集、第二训练数据集、第三训练数据集和受孕龄训练数据集;
基于所述第一训练数据集、所述第二训练数据集、所述第三训练数据集和所述受孕龄训练数据集,分别对GBM模型进行训练,并基于交叉验证策略对训练模型的参数进行优化,分别得到所述第一预测模型、所述第二预测模型、所述第三预测模型和所述受孕龄预测模型。
5.根据权利要求4所述的新生儿临床视频脑电图自动分析的方法,其特征在于,所述特征选择方法包括后向选择策略。
6.根据权利要求1所述的新生儿临床视频脑电图自动分析的方法,其特征在于,所述第一预测结果包括重度异常和其他;所述第二预测结果包括中度异常和其他;所述第三预测结果包括轻度异常和正常。
7.根据权利要求6所述的新生儿临床视频脑电图自动分析的方法,其特征在于,所述根据所述第一预测结果、所述第二预测结果和所述第三预测结果,确定预测结论,包括:
若所述第一预测结果为重度异常,则所述预测结论为重度异常;
若所述第一预测结果为其他,所述第二预测结果为中度异常,则所述预测结论为中度异常;
若所述第一预测结果为其他,所述第二预测结果为其他,所述第三预测结果为轻度异常,则所述预测结论为轻度异常;
若所述第一预测结果为其他,所述第二预测结果为其他,所述第三预测结果为正常,则所述预测结论为正常。
8.一种新生儿临床视频脑电图自动分析的设备,其特征在于,包括:
处理器,以及与所述处理器相连接的存储器;
所述存储器用于存储计算机程序;
所述处理器用于调用并执行所述存储器中的所述计算机程序,以执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768201.6A CN113436728B (zh) | 2021-07-05 | 2021-07-05 | 新生儿临床视频脑电图自动分析的方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110768201.6A CN113436728B (zh) | 2021-07-05 | 2021-07-05 | 新生儿临床视频脑电图自动分析的方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436728A true CN113436728A (zh) | 2021-09-24 |
CN113436728B CN113436728B (zh) | 2022-10-28 |
Family
ID=77759503
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110768201.6A Active CN113436728B (zh) | 2021-07-05 | 2021-07-05 | 新生儿临床视频脑电图自动分析的方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436728B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114711790A (zh) * | 2022-04-06 | 2022-07-08 | 复旦大学附属儿科医院 | 新生儿电惊厥类型确定方法、装置、设备和存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040077967A1 (en) * | 2001-02-13 | 2004-04-22 | Jordan Kenneth George | Automated realtime interpretation of brain waves |
US20060173663A1 (en) * | 2004-12-30 | 2006-08-03 | Proventys, Inc. | Methods, system, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality |
CN200957081Y (zh) * | 2006-06-30 | 2007-10-10 | 复旦大学附属儿科医院 | 新生儿多参数脑功能监护分析仪 |
CN101449974A (zh) * | 2007-12-05 | 2009-06-10 | 李小俚 | 一种自动实时估计麻醉深度的方法 |
US20130231580A1 (en) * | 2012-03-01 | 2013-09-05 | National Taiwan University | Seizure prediction method, module and device with on-line retraining scheme |
CN105046111A (zh) * | 2015-09-10 | 2015-11-11 | 济南市儿童医院 | 一种振幅整合脑电图结果自动识别***及方法 |
US20160045127A1 (en) * | 2014-08-15 | 2016-02-18 | The Regents Of The University Of Michigan | Automated detector and classifier of high frequency oscillations and indicator seizure onset |
CN109222906A (zh) * | 2018-09-13 | 2019-01-18 | 复旦大学 | 一种基于脑部电信号构建疼痛状态预测模型的方法 |
CN109300544A (zh) * | 2018-12-10 | 2019-02-01 | 南京伟思医疗科技股份有限公司 | 一种新生儿脑功能标准化七步分析方法 |
US20200178880A1 (en) * | 2017-05-15 | 2020-06-11 | Bloom Technologies NV | Systems and methods for monitoring fetal wellbeing |
US20200281487A1 (en) * | 2017-09-05 | 2020-09-10 | Université De Rennes 1 | System for evaluating the maturation of a premature baby |
CN109934089B (zh) * | 2018-10-31 | 2020-10-23 | 北京航空航天大学 | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 |
CN111815613A (zh) * | 2020-07-17 | 2020-10-23 | 上海工程技术大学 | 一种基于包膜线形态特征分析的肝硬化疾病分期识别方法 |
-
2021
- 2021-07-05 CN CN202110768201.6A patent/CN113436728B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040077967A1 (en) * | 2001-02-13 | 2004-04-22 | Jordan Kenneth George | Automated realtime interpretation of brain waves |
US20060173663A1 (en) * | 2004-12-30 | 2006-08-03 | Proventys, Inc. | Methods, system, and computer program products for developing and using predictive models for predicting a plurality of medical outcomes, for evaluating intervention strategies, and for simultaneously validating biomarker causality |
CN200957081Y (zh) * | 2006-06-30 | 2007-10-10 | 复旦大学附属儿科医院 | 新生儿多参数脑功能监护分析仪 |
CN101449974A (zh) * | 2007-12-05 | 2009-06-10 | 李小俚 | 一种自动实时估计麻醉深度的方法 |
US20130231580A1 (en) * | 2012-03-01 | 2013-09-05 | National Taiwan University | Seizure prediction method, module and device with on-line retraining scheme |
US20160045127A1 (en) * | 2014-08-15 | 2016-02-18 | The Regents Of The University Of Michigan | Automated detector and classifier of high frequency oscillations and indicator seizure onset |
CN105046111A (zh) * | 2015-09-10 | 2015-11-11 | 济南市儿童医院 | 一种振幅整合脑电图结果自动识别***及方法 |
US20200178880A1 (en) * | 2017-05-15 | 2020-06-11 | Bloom Technologies NV | Systems and methods for monitoring fetal wellbeing |
US20200281487A1 (en) * | 2017-09-05 | 2020-09-10 | Université De Rennes 1 | System for evaluating the maturation of a premature baby |
CN109222906A (zh) * | 2018-09-13 | 2019-01-18 | 复旦大学 | 一种基于脑部电信号构建疼痛状态预测模型的方法 |
CN109934089B (zh) * | 2018-10-31 | 2020-10-23 | 北京航空航天大学 | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 |
CN109300544A (zh) * | 2018-12-10 | 2019-02-01 | 南京伟思医疗科技股份有限公司 | 一种新生儿脑功能标准化七步分析方法 |
CN111815613A (zh) * | 2020-07-17 | 2020-10-23 | 上海工程技术大学 | 一种基于包膜线形态特征分析的肝硬化疾病分期识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114711790A (zh) * | 2022-04-06 | 2022-07-08 | 复旦大学附属儿科医院 | 新生儿电惊厥类型确定方法、装置、设备和存储介质 |
CN114711790B (zh) * | 2022-04-06 | 2022-11-29 | 复旦大学附属儿科医院 | 新生儿电惊厥类型确定方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113436728B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10517501B2 (en) | Electroencephalogram analysis apparatus and electroencephalogram analysis method | |
Zuo et al. | Automated detection of high-frequency oscillations in epilepsy based on a convolutional neural network | |
Acharya et al. | Computer-aided diagnosis of diabetic subjects by heart rate variability signals using discrete wavelet transform method | |
US7433732B1 (en) | Real-time brain monitoring system | |
US20210022670A1 (en) | Systems and methods for diagnosing sleep | |
US6931274B2 (en) | Processing EEG signals to predict brain damage | |
US20150245800A1 (en) | Method for Detection Of An Abnormal Sleep Pattern In A Person | |
EP1880667A2 (en) | Detection of focal epileptiform activity | |
O'Toole et al. | Quantitative preterm EEG analysis: the need for caution in using modern data science techniques | |
WO2017191290A1 (en) | Predictive neuromarkers of alzheimer's disease | |
Webb et al. | Automated detection of artefacts in neonatal EEG with residual neural networks | |
JP2007524448A (ja) | 初期の緑内障を検出し、モニタする自動処置方法及び装置 | |
Matić et al. | Improving reliability of monitoring background EEG dynamics in asphyxiated infants | |
JP2020512860A (ja) | 頭皮脳波から病理学的脳活動を特定する方法 | |
CN113436728B (zh) | 新生儿临床视频脑电图自动分析的方法及设备 | |
Ibrahim et al. | Formulation of a novel classification indices for classification of human hearing abilities according to cortical auditory event potential signals | |
US7231246B2 (en) | Detection of encephalopathy | |
Yadav et al. | Variational mode decomposition-based seizure classification using Bayesian regularized shallow neural network | |
CN111671419B (zh) | 一种基于脑电信号的癫痫早期检测与识别方法及*** | |
CN116058801B (zh) | 自闭症儿童的脑功能状况的评估装置、评估***和介质 | |
JP6623367B1 (ja) | てんかん診断を支援する脳波解析方法、プログラム、及び脳波解析 装置 | |
Sofiah et al. | Calculation of Quantitative Parameters of Clinical EEG Signals by Adopting Visual Reading Methods | |
Warrick et al. | A machine learning approach to the detection of fetal hypoxia during labor and delivery | |
Anchana et al. | Comparative study of detection of ADHD using EEG signals | |
Lopez et al. | HAPPILEE: the Harvard automated processing pipeline in low electrode electroencephalography, a standardized software for low density EEG and ERP data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |